面向大語言模型的知識實(shí)踐

【摘要】在同大語言模型知識實(shí)踐的并置中，我們可以定位到學(xué)科交叉融合的必要性。以ChatGPT為代表的大語言模型，盡管才剛剛進(jìn)入人類的視野中，但已經(jīng)在知識實(shí)踐上展現(xiàn)出卓越能力，成為堪稱“通”家的大“?！奔摇Ｎ覀兛梢杂谩澳M模式”與“數(shù)字模式”來分別描述人類與大語言模型的知識實(shí)踐。大語言模型問世前的人工神經(jīng)網(wǎng)絡(luò)算法，數(shù)字模式的知識實(shí)踐僅僅令其在狹窄的垂直領(lǐng)域展露出卓越智能。然而以海量人類文本為訓(xùn)練數(shù)據(jù)的大語言模型，其知識實(shí)踐則呈現(xiàn)出無視領(lǐng)域疆界的通用性。面對大語言模型在知識實(shí)踐中的應(yīng)用，人類何為？潛在論與量子物理學(xué)，給出了我們積極展開跨學(xué)科知識實(shí)踐的理據(jù)。

【關(guān)鍵詞】大語言模型 后人類 模擬模式 數(shù)字模式 純粹潛能 量子思維

【中圖分類號】TP18/C19 【文獻(xiàn)標(biāo)識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2023.21.005

引言

“學(xué)科交叉融合”是必要的嗎？晚近經(jīng)常有學(xué)術(shù)同行提出這個(gè)問題。

盡管近年來“學(xué)科交叉融合”得到大力倡導(dǎo)，國務(wù)院學(xué)位委員會與教育部于2020年底正式設(shè)置了“交叉學(xué)科”門類，然而不得不承認(rèn)，今天的學(xué)術(shù)評價(jià)體系仍主要以學(xué)科為單位展開。如果你是一位任職于中文系的青年學(xué)者，真的有必要探究區(qū)塊鏈、增強(qiáng)現(xiàn)實(shí)、人工智能等前沿技術(shù)乃至量子物理學(xué)抑或神經(jīng)科學(xué)嗎？且不說離開治學(xué)“舒適區(qū)”（comfortable zone）本身之艱難，對于跨越學(xué)科疆界形成的研究成果，由誰來評審？誰來評判這種知識實(shí)踐是否生產(chǎn)出了優(yōu)異的或至少質(zhì)量合格的知識產(chǎn)品？如果最后仍是“現(xiàn)代文學(xué)”或“文藝學(xué)”領(lǐng)域的學(xué)者來評審，那么這些跨學(xué)科的內(nèi)容很可能反而導(dǎo)致你的研究不被認(rèn)可（因?yàn)閷＜易x不懂你的研究）。

看起來，躲在既有學(xué)科疆界之內(nèi)進(jìn)行知識生產(chǎn)似乎是安全的，更是舒適的。于是，我們有必要對篇首的這個(gè)問題，予以認(rèn)真思考。

后人類知識實(shí)踐者：作為“通”家的“專”家

以ChatGPT為代表的大語言模型是2023年最受關(guān)注的技術(shù)，然而人工智能界專家們發(fā)起的相關(guān)爭論，集中在它所帶來的安全風(fēng)險(xiǎn)上，而非其知識實(shí)踐的模式。[1]OpenAI于2022年11月30日正式上線ChatGPT后，短短數(shù)月大量人類作者同ChatGPT合寫的論文、乃至ChatGPT獨(dú)著的書籍，便如雨后春筍般接連問世[2]；即便在大量沒有署名的地方，ChatGPT亦事實(shí)性地參與了知識生產(chǎn)，成為了我們這個(gè)時(shí)代的重要知識實(shí)踐者，一位“后人類”的實(shí)踐者。[3]

筆者曾就“澳大利亞核政策變遷及其影響”這個(gè)相當(dāng)縱深、專業(yè)的議題問詢這位后人類的知識實(shí)踐者，其幾秒內(nèi)輸出的內(nèi)容，不僅概述了澳大利亞核政策變遷的國際與國內(nèi)背景及其過程，更是條分縷析地探究了導(dǎo)致變遷的多重原因，并剖析了變遷所帶來的諸種影響。至為關(guān)鍵的是，這些內(nèi)容得到了眾多在該領(lǐng)域長年深耕的專家的認(rèn)可。這個(gè)案例讓我們看到，大語言模型儼然是一個(gè)稱職的、相當(dāng)出色的知識生產(chǎn)者。

大語言模型不僅是精通像“澳大利亞核政策變遷及其影響”這種縱深論域的專家型知識實(shí)踐者，還是一個(gè)激進(jìn)的超越學(xué)科疆界的知識實(shí)踐者。ChatGPT被認(rèn)為已接近“通用人工智能”[4]——就其知識實(shí)踐而言，它顯然是“通用的”（general），而非“狹窄的”（narrow）；它徹底無視知識實(shí)踐的學(xué)科疆界，既是強(qiáng)大的大“?！奔遥瑫r(shí)更是大“通”家。不少ChatGPT的用戶經(jīng)常拿它會出錯(cuò)（甚至是“一本正經(jīng)地胡說八道”）說事，從而否定它作為知識生產(chǎn)者的資質(zhì)。然而，對ChatGPT的這個(gè)批評必須納入并置性的分析視野中：作為知識生產(chǎn)者的人類作者，難道就不會出錯(cuò)？

實(shí)際上，大語言模型出錯(cuò)的原因不難定位到：它們使用海量的書籍和互聯(lián)網(wǎng)文本作為訓(xùn)練材料，而這些材料本身就包含錯(cuò)誤，從各種常見的低級錯(cuò)誤（從事實(shí)錯(cuò)誤到錯(cuò)別字）到各類大量出現(xiàn)的“復(fù)雜錯(cuò)誤”（從不恰當(dāng)?shù)男袠I(yè)建議到“陰謀論”）。[5]正是因?yàn)槿舜罅砍鲥e(cuò)，大語言模型無論怎樣迭代，結(jié)構(gòu)性地?zé)o法做到零出錯(cuò)。

這也就是“機(jī)器學(xué)習(xí)”研究里所說的“垃圾進(jìn)，垃圾出”（garbage in， garbage out）?；ヂ?lián)網(wǎng)文本無可避免存在大量低質(zhì)量的文本，無法做到以人工的方式在訓(xùn)練前加以徹底排除——譬如，盡管可以把一些富含此類文本的網(wǎng)站整個(gè)剔除，但很多“問題文本”是隨機(jī)產(chǎn)生的。大語言模型只能在訓(xùn)練中通過不斷迭代權(quán)重來減少出錯(cuò)狀況。

并且，從統(tǒng)計(jì)學(xué)上來看，互聯(lián)網(wǎng)每年會增加巨量的文本，但新增的知識（亦即，純粹“新知”）卻并不多，且在巨量文本中的比例低得可怕。故此，GPT-5（如果有的話）未必一定比GPT-4提升很多，因?yàn)槿祟愇拿髦袔缀跛兄匾墨I(xiàn)都已被納入GPT-4的訓(xùn)練中，而此后產(chǎn)生的新文本中極小比例是高質(zhì)量的。這意味著，能夠進(jìn)一步提升大語言模型的優(yōu)質(zhì)數(shù)據(jù)，正在逐漸枯竭。若大量使用新近增加的文本來訓(xùn)練大模型并迭代其權(quán)重，反而會使生成文本的質(zhì)量下降。

我們看到，在各自的知識實(shí)踐中，人類作者與后人類的大語言模型都會出錯(cuò)，都可能輸出問題文本與低質(zhì)量文本。兩者對比起來，大語言模型輸出文本的錯(cuò)誤情況，實(shí)際上要比人類低得多——大語言模型幾乎閱讀了所有知識論域里的所有既有文本，且是一頁不落地閱讀，沒有一個(gè)人類作者能做到如此全面與海量的閱讀。對比如此“勤奮好學(xué)”的大語言模型，不少人類作者，實(shí)屬片面地讀了一點(diǎn)就敢寫敢說了，其生產(chǎn)的多數(shù)文本（包含重要的純粹“新知”的文本除外），質(zhì)量和價(jià)值卻不及大語言模型知識實(shí)踐的產(chǎn)品。

知識實(shí)踐的兩種模式

將人類與大語言模型的知識實(shí)踐做并置性的對比，我們能進(jìn)一步定位到知識實(shí)踐的兩種模式。

大語言模型通過迭代權(quán)重，能夠精確地控制所生產(chǎn)文本的質(zhì)量——比如在訓(xùn)練時(shí)給予《自然》（Nature）期刊“論文”遠(yuǎn)高于互聯(lián)網(wǎng)論壇同主題“帖子”的權(quán)重。而人類的知識實(shí)踐者，則無法使用如此精確的權(quán)重系統(tǒng)（譬如，一位高顏值的主播往往會讓人不知不覺對其言論給出過高權(quán)重）。對比大語言模型，人類之知識實(shí)踐的一切進(jìn)程，皆是以遠(yuǎn)為模糊的——“模擬的”（analog）——方式展開。[6]

作為后人類的知識實(shí)踐者，大語言模型既是強(qiáng)大的學(xué)習(xí)者（深度學(xué)習(xí)者），亦是出色的生產(chǎn)者（生成式AI）。它實(shí)質(zhì)性的“后人類”面向，并非在于其實(shí)踐不受學(xué)科疆界限制（人類亦能做到），而是在于其學(xué)習(xí)（輸入）與生產(chǎn)（輸出），皆以“數(shù)字”（digital）形態(tài)進(jìn)行。這就意味著，大語言模型實(shí)際上標(biāo)識出一種同人類——“智人”（Homo sapiens）——全然不同的知識實(shí)踐。

圖靈獎(jiǎng)得主、“深度學(xué)習(xí)之父”杰弗里·辛頓在2023年6月10日所作的《通向智能的兩條道路》演講中，提出了“能動(dòng)者共同體”（a community of agents）分享知識的兩種模式。[7]我們可以把這兩種共同體模式分別命名為“數(shù)字模式”與“模擬模式”。大語言模型（人工智能）與人類（智人），分別是這兩種模式的能動(dòng)性實(shí)踐者。

每個(gè)大語言模型，都包含了無數(shù)“數(shù)字計(jì)算”的能動(dòng)者，它們使用權(quán)重完全相同的副本。如果個(gè)體能動(dòng)者（亦即每個(gè)副本）具有同樣權(quán)重、并以完全相同的方式使用這些權(quán)重，那么，能動(dòng)者之間就可以把自身個(gè)體性訓(xùn)練數(shù)據(jù)中學(xué)習(xí)到的內(nèi)容，通過共享權(quán)重的方式無損地實(shí)現(xiàn)彼此轉(zhuǎn)交。也就是說，共同體內(nèi)每一個(gè)能動(dòng)者，都可以即時(shí)獲得其他能動(dòng)者的學(xué)習(xí)成果——前提是所有個(gè)體能動(dòng)者皆以完全相同的方式工作，故此他們必須是數(shù)字的。

就大語言模型而言，模型的每個(gè)副本都從它所觀察到的數(shù)據(jù)中學(xué)習(xí)，不同副本觀察不同的數(shù)據(jù)片段，它們通過共享權(quán)重或梯度來高效地分享所學(xué)的知識。這就使得每個(gè)副本都能從其他副本的學(xué)習(xí)中收獲知識。在這個(gè)意義上，大語言模型本身就是一個(gè)“能動(dòng)者共同體”，該共同體內(nèi)每個(gè)能動(dòng)者都只是以非常低的帶寬來學(xué)習(xí)（僅僅就拿到的數(shù)據(jù)片段來預(yù)測下一個(gè)單詞），但彼此間能精確地共享權(quán)重——如果模型擁有萬億個(gè)權(quán)重，則意味著每次分享能開啟萬億比特帶寬的溝通。

于是，運(yùn)行大語言模型的成本（主要體現(xiàn)為能源消耗）會十分巨大——這是知識實(shí)踐之?dāng)?shù)字模式的代價(jià)。化石燃料消耗所導(dǎo)致的行星層面的生態(tài)變異，恰恰是“人類世”（the Anthropocene）的核心困境：龐大的能耗會增加巨量碳排放，推動(dòng)其熵值的加速增加。[8]能源消耗以及前文討論的數(shù)據(jù)枯竭，構(gòu)成了大語言模型發(fā)展的兩個(gè)關(guān)鍵限制。

與大語言模型相較，人類個(gè)體進(jìn)行學(xué)習(xí)的能源消耗非常低，而學(xué)習(xí)帶寬則遠(yuǎn)高于單個(gè)模型副本。但人類個(gè)體在分享知識過程中的效率，則遠(yuǎn)低于大語言模型。利用特定生物硬件之模擬特性來進(jìn)行計(jì)算（“生物性計(jì)算”）的人類個(gè)體，只能使用“蒸餾”（distillation）來分享知識，而無法使用權(quán)重共享來精確地分享知識。[9]這就意味著，個(gè)體B沒有可能完全弄清楚個(gè)體A生成內(nèi)容時(shí)所使用的權(quán)重（甚至這種權(quán)重對于A本人也是不明晰的）。這便是知識實(shí)踐之模擬模式的局限。

人類社會之所以會有“學(xué)?！边@種教育機(jī)構(gòu)，很大程度是因?yàn)槿祟悅€(gè)體無法將自己所知道的東西直接裝進(jìn)另一個(gè)個(gè)體的生物硬件中。兩個(gè)神經(jīng)網(wǎng)絡(luò)內(nèi)部架構(gòu)如果不同（亦即，不存在神經(jīng)元間的一一對應(yīng)），那權(quán)重共享就不起作用（即A的權(quán)重對B沒用）。或許可以這樣理解，如果一個(gè)人能夠直接使用詩人李白神經(jīng)網(wǎng)絡(luò)的權(quán)重，那他就能寫出李白的詩句。不同的人類個(gè)體之間（以及不同的大語言模型之間）進(jìn)行知識分享，只能使用“蒸餾”。比起權(quán)重共享，蒸餾的帶寬要低得多，這意味著知識分享效率低，能耗也小。[10]金庸在其名作《天龍八部》與《笑傲江湖》中，多次描述了一類獨(dú)特功夫，后輩可以把前輩幾十年的功力直接“吸”到自己身上——這種功夫?qū)θ魏我蕾嚿镄杂布磉M(jìn)行學(xué)習(xí)的能動(dòng)者而言，都是絕不可能的。而用“數(shù)字模式”進(jìn)行學(xué)習(xí)的能動(dòng)者，則不需要這種功夫，因?yàn)樗麄儾恍枰拔弊咚说挠?xùn)練成果，而是可以實(shí)現(xiàn)彼此擁有。

從狹窄人工智能、大語言模型到超智人工智能

讓我們把分析進(jìn)一步推進(jìn)。我們有必要看到：跨越學(xué)科領(lǐng)域進(jìn)行知識實(shí)踐，原本是人類獨(dú)家的能力。而人類知識實(shí)踐者能夠做到這一點(diǎn)（亦即，“學(xué)科交叉融合”得以可能），恰恰得益于其所采取的“模擬模式”。

在大語言模型問世之前，采取“數(shù)字模式”進(jìn)行深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法，都只是專門的“狹窄人工智能”（narrow artificial intelligence）?！鞍柗ü贰保ˋlphaGo）能夠在圍棋賽事中毫無懸念地戰(zhàn)勝所有人類頂級高手，然而如果讓它去玩《俄羅斯方塊》，亦無法通關(guān)，至于寫詩、編程抑或探討“澳大利亞核政策變遷及其影響”，則完全無能為力。在大語言模型問世之前，各種狹窄的人工神經(jīng)網(wǎng)絡(luò)算法不僅在模型架構(gòu)上完全不同，并且必需使用專門類別的數(shù)據(jù)來進(jìn)行訓(xùn)練，故此無法通過分享權(quán)重的方式共享訓(xùn)練成果。

然而，以ChatGPT為代表的大語言模型，激進(jìn)地打破了狹窄人工智能的疆域界限。ChatGPT既是編程高手，也是澳大利亞核政策專家，既懂物理學(xué)，也懂哲學(xué)、史學(xué)、文藝學(xué)……大語言模型能夠跨越各種專門領(lǐng)域疆界進(jìn)行知識實(shí)踐，使“模擬模式”的既有優(yōu)勢蕩然無存。它并不是使用專門數(shù)據(jù)（如圍棋棋譜）來訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，而用各種類型文本（如書籍、網(wǎng)頁、ArXiv論文、維基百科、平臺用戶評論等）來進(jìn)行如下這個(gè)訓(xùn)練：從上下文來預(yù)測下一個(gè)詞。借用語言學(xué)家費(fèi)迪南·索緒爾的著名術(shù)語，大語言模型同“所指”（signified）無涉，但精于在“指號化鏈條”（signifying chain）中對“能指”（signifier）進(jìn)行預(yù)測。

然而其關(guān)鍵就在于，人是“說話的存在”（speaking beings）。人的“世界”，正是經(jīng)由語言而形成。換言之，語言絕不只是人與人之間溝通的媒介，更是“世界”得以生成的構(gòu)成性媒介——沒有語言，各種“實(shí)體”（entities）會繼續(xù)存在，但我們卻不再擁有一個(gè)“世界”。“世界”——用精神分析學(xué)家雅克·拉康的術(shù)語來說——是一個(gè)“符號性秩序”（symbolic order）。人無法同前語言的秩序（拉康筆下的“真實(shí)秩序”）產(chǎn)生有意義的直接互動(dòng)。[11]

正是語言（由無數(shù)彼此差異的“能指”串起的“指號化鏈條”），使各種前語言的“存在”變成為了一個(gè)秩序（“符號性秩序”），一個(gè)人類可以理解、并居身其中的“世界”。當(dāng)大語言模型深度學(xué)習(xí)了人類生產(chǎn)出的幾乎所有文本后，那么，它就對人的“世界”（而非“真實(shí)秩序”）具有了幾近整體性的認(rèn)知——這便使得人類眼中的“通用”智能成為可能。

有意思的是，在《通向智能的兩條道路》演講末尾，辛頓做出如下追問：“如果這些數(shù)字智能不是通過蒸餾非常緩慢地向我們學(xué)習(xí)，而是開始直接從現(xiàn)實(shí)世界學(xué)習(xí)，將會發(fā)生什么？”[12]在辛頓本人看來：

如果他們可以通過對視頻建模進(jìn)行無監(jiān)督學(xué)習(xí)，例如，我們一旦找到一種有效的方法來訓(xùn)練這些模型來對視頻建模，他們就可以從“油管”（YouTube）的所有內(nèi)容中學(xué)習(xí)，這是大量的數(shù)據(jù)。如果他們能夠操縱物理世界，譬如他們有機(jī)器人手臂，等等，那也會有所幫助。但我相信，一旦這些數(shù)字能動(dòng)者開始這樣做，他們將能夠比人類學(xué)到的多得多，而且他們將能夠?qū)W得非?？?。[13]

辛頓所說的“直接從現(xiàn)實(shí)世界學(xué)習(xí)”和“對視頻建模進(jìn)行無監(jiān)督學(xué)習(xí)”，實(shí)際上意味著數(shù)字智能在目前大語言模型所展現(xiàn)的近乎“通用”的智能之上，具有了直接從前語言秩序進(jìn)行學(xué)習(xí)的能力——而這種學(xué)習(xí)能力是作為“說話的存在”的人類所極度匱乏的（如果不是幾乎沒有的話）。人類從牙牙學(xué)語的孩童開始，幾乎所有實(shí)質(zhì)性的教學(xué)實(shí)踐都是通過作為“指號化系統(tǒng)”的語言來完成的。[14]當(dāng)然，嬰孩出生并非“白紙”，而是帶有各種不用“教”的“先天性知識”，如看到蛇會恐懼，那是經(jīng)由生物性演化形成的神經(jīng)網(wǎng)絡(luò)運(yùn)算系統(tǒng)作出的反應(yīng)。相對于后人類的無監(jiān)督機(jī)器學(xué)習(xí)與經(jīng)由“指號化系統(tǒng)”而展開的人類學(xué)習(xí)，演化訓(xùn)練出的知識運(yùn)算可稱得上是前人類學(xué)習(xí)。辛頓認(rèn)為，當(dāng)數(shù)字智能具有這種后人類的無監(jiān)督學(xué)習(xí)能力后，“超智人工智能”（super-intelligent AI）就會誕生，并且在他看來，這種情況一定會發(fā)生。[15]

回到篇首的問題：“學(xué)科交叉融合”是必要的嗎？面對從大語言模型（接近“通用人工智能”）邁向“超智人工智能”的數(shù)字智能，我們可以定位到它的必要性：大語言模型在學(xué)習(xí)上已經(jīng)不存在“舒適區(qū)”，無視學(xué)科疆域的邊界；而超智人工智能的無監(jiān)督學(xué)習(xí)，則更加無視人類“世界”的各種疆界，完全不受其影響。面對這樣的“數(shù)字模式”實(shí)踐者，如若作為“模擬模式”實(shí)踐者的我們?nèi)匀桓市亩阍凇笆孢m區(qū)”內(nèi)，那么未來“世界”的知識生產(chǎn)，乃至“世界化成”（worlding）本身，即將同我們不再相關(guān)。

“離身認(rèn)知”與語言學(xué)轉(zhuǎn)向

在知識實(shí)踐上，人類不應(yīng)自我邊緣化。然而，問題恰恰就在于：面對大語言模型，躺平，誠然是一個(gè)極具說服力的“人生”態(tài)度。

今天的年輕人群體里，“躺平”已然十分流行，并被《咬文嚼字》編輯部評為“2021年度十大流行語”。[16]在對“躺平”施以道德譴責(zé)之前，我們有必要認(rèn)真思考這個(gè)問題：面對大語言模型，為什么我們不躺平？

一個(gè)人即便再勤奮，再好學(xué)，在其有生之年能讀完的書，大語言模型全都讀過——甚至這顆行星上現(xiàn)下在世的80億人口加起來讀過的書（尤其是富含知識含量的書），大語言模型幾乎全部讀過。一個(gè)人哪怕天天泡在圖書館里，也比不上大語言模型把整個(gè)圖書館直接裝進(jìn)自身，并且隨時(shí)可以用自己的話“吐”出來。面對這樣的知識實(shí)踐者，我們?nèi)绾渭暗蒙?？“躺平”難道不是最合理的態(tài)度？

在筆者的課堂討論中，有學(xué)生曾提出這樣的問題：ChatGPT的能力是指數(shù)級增長的，而我就算是不吃不喝學(xué)習(xí)，也只能一頁一頁地看，做線性增長，還不保證讀進(jìn)去的全都變成自己的知識。面對ChatGPT，反正都是輸，再學(xué)習(xí)也趕不上，“終身”壓上去也白搭，還不如早點(diǎn)躺平，做個(gè)“吃貨”。人工智能沒有身體，論吃它比不過我。

確實(shí)，大語言模型至少目前沒有“身體”，沒有感知器官，產(chǎn)生不出“具身認(rèn)知”（embodied cognition）。赫伯特·德雷弗斯等當(dāng)代后認(rèn)知主義學(xué)者，強(qiáng)調(diào)大腦之外的身體對認(rèn)知進(jìn)程所起到的構(gòu)成性作用：除了身體的感覺體驗(yàn)外，身體的解剖學(xué)結(jié)構(gòu)、身體的活動(dòng)方式、身體與環(huán)境的相互作用皆參與了我們對世界的認(rèn)知。這意味著，如果我們擁有蝙蝠的身體，則會有全然不同的具身認(rèn)知。從后認(rèn)知主義視角出發(fā)來考察，當(dāng)下的大語言模型，具有的誠然只是“離身認(rèn)知”（disembodied cognition）。但辛頓所描述的“超智人工智能”，則將具有具身認(rèn)知，并且是遠(yuǎn)遠(yuǎn)越出人類身體諸種生物性限制的后人類具身認(rèn)知。

然而，值得進(jìn)一步追問的是：大語言模型的這種離身認(rèn)知，真的就比不上人類的具身認(rèn)知嗎？即便不具備具身認(rèn)知，大語言模型仍然在“美食”這個(gè)垂直領(lǐng)域內(nèi)勝過一切具有具身認(rèn)知的人類“吃貨”。大語言模型不需要“吃”過口水雞和咕咾肉，才知道前者比后者辣得多，“沒吃過”完全不影響它對食物乃至“世界”作出智能的分析與判斷。而一個(gè)很會吃、吃了很多口水雞的人，也不見得在吃上呈現(xiàn)出比ChatGPT更高的智能，如果不是相反的話。換言之，大語言模型較之許許多多自詡嘗遍各類美食的人，更具有“美食家”的水準(zhǔn)——在飲食上，ChatGPT的建議絕對比“吃貨”們可靠得多。

這里的關(guān)鍵就是，盡管目前大語言模型因沒有感知器官而不具備具身認(rèn)知，但這并不影響它對“世界”的符號性捕捉。誠如OpenAI的首席科學(xué)家伊利亞·蘇茨科弗所言：

它知道紫色更接近藍(lán)色而不是紅色，它知道橙色比紫色更接近紅色。它僅僅通過文本知道所有這些事。[17]

大語言模型不需要親“眼”看見過紅色、藍(lán)色或紫色，便能夠精確地、恰如其分地談?wù)撍鼈儭ＴS多“眼神”好得很的人類個(gè)體，恐怕會認(rèn)為紫色更接近紅色而非藍(lán)色——再一次地，“模擬模式”在精確性與可靠性上往往不如“數(shù)字模式”。

大語言模型僅僅通過對“符號性秩序”的深度學(xué)習(xí)，就能夠?qū)θ祟愄幧砥鋬?nèi)的這個(gè)“世界”了如指掌。索緒爾的結(jié)構(gòu)主義語言學(xué)研究已然揭示出，作為生活在語言中的“說話的存在”，我們并無法抵達(dá)“是”（譬如，什么“是”藍(lán)色）。這就意味著，我們必須放棄關(guān)于“是”的形而上學(xué)的聚焦，轉(zhuǎn)而聚焦一個(gè)符號性秩序中“是”與“是”之間的差異（亦即，符號之間的差異）。

語言，是一個(gè)關(guān)于差異的系統(tǒng)。語言把前語言的“存在”轉(zhuǎn)化為各種“是”。和“存在”不同，“是”涉及指號化，涉及能指與所指間的一種專斷的對應(yīng)。[18]“紅色”，就是一個(gè)能指——大語言模型無法“看見”它所指號化的內(nèi)容，但完全不影響其在“世界”中有效地“說出”它（在溝通中有效）。大語言模型，同前語言的“存在”無涉，同拉康所說的“真實(shí)秩序”無涉。

以伊曼紐爾·康德為代表人物的“認(rèn)識論轉(zhuǎn)向”，被以索緒爾為代表人物的“語言學(xué)轉(zhuǎn)向”革命性地推進(jìn)，正是因?yàn)槿藗儾坏珶o法企及“物自體”（故此必須放棄研究“是”的形而上學(xué)），并且他們對“現(xiàn)象”的體驗(yàn)（如眼中的紅色），也只能通過語言（作為能指的“紅色”）進(jìn)行有效溝通。完全不具備具身認(rèn)知的大語言模型（無法通過感官來進(jìn)行體驗(yàn)），卻依然能夠呈現(xiàn)出關(guān)于這個(gè)“世界”的通用性的智能，那是因?yàn)?，它不斷進(jìn)行深度學(xué)習(xí)的，不是“世界”內(nèi)的某一種專門系統(tǒng)，而是那個(gè)符號性地編織出“世界”的系統(tǒng)——一個(gè)處在不斷變化中的差異系統(tǒng)。

純粹潛能：論知識實(shí)踐的原創(chuàng)性（I）

生活在大語言模型時(shí)代，“躺平”似乎無可厚非。那么，讓我們再次回到上文拋出的問題：走出“舒適區(qū)”，跨學(xué)科地進(jìn)行知識實(shí)踐，具有必要性嗎？

筆者的答案是：仍然有必要。首先，對于人類的知識實(shí)踐而言，學(xué)科疆界不僅會限制研究的視野，并且會造成認(rèn)知偏差。靈長類動(dòng)物學(xué)家、神經(jīng)生物學(xué)家羅伯特·薩波斯基提醒我們注意到：

不同類別之間的疆界經(jīng)常是武斷的，然而一旦某些武斷的疆界存在著，我們就會忘記它是武斷的，反而過分注重其重要性。[19]

對此，薩波斯基舉的例子，便是從紫色到紅色的可見光譜。在作為符號性秩序的“世界”中，存在著不同的“顏色”，分別由不同指號（如紅、藍(lán)色）來標(biāo)識。然而，光譜實(shí)際上是不同波長無縫構(gòu)成的一個(gè)連續(xù)體。這就意味著，每種“顏色”各自的疆界，實(shí)則都是被武斷決定的，并被固化在某個(gè)指號上。不同的語言，有不同的顏色指號系統(tǒng)，也就是說，可見光譜在不同語言中，以不同的方式被分割，由此“武斷”地產(chǎn)生出各種疆界。

而進(jìn)一步的問題在于，疆界一旦形成，會使人產(chǎn)生認(rèn)知偏差。薩波斯基寫道：

給某人看兩種類似的顏色。如果那人使用的語言剛好在這兩種顏色之間劃分了疆界，他/她就會高估這兩種顏色的差異。假如這兩種顏色落在同一類別內(nèi)，結(jié)果則相反。[20]

薩氏認(rèn)為，要理解這種被疆界所宰制的認(rèn)知行為，就需要越出學(xué)科疆界進(jìn)行研究，如此才能避免作出片面解釋。[21]在本文討論的脈絡(luò)中，我們可以定位到如下關(guān)鍵性的要素：人腦所采取的“模擬模式”。

人的認(rèn)知，無法以大語言模型所采取的精確的“數(shù)字模式”展開。采用“數(shù)字模式”的大語言模型，其知識實(shí)踐不但具有精確性，并且能夠無障礙地跨越疆界。無論認(rèn)肯與否、接受與否，我們正在邁入一個(gè)“后人類的世界”，在其中大量“非人類”（nonhumans）亦是知識生產(chǎn)的中堅(jiān)貢獻(xiàn)者，是參與世界化成的重要能動(dòng)者。[22]

然而，在這個(gè)后人類世界中，采取“模擬模式”的人類的知識實(shí)踐——當(dāng)其努力克服疆界宰制來展開實(shí)踐時(shí)——對于世界化成而言，卻仍然至關(guān)重要。

我們有必要看到：以ChatGPT為代表的大語言模型，誠然是堪稱“通用”的大“?！奔?，知識覆蓋幾乎無死角，但它精于回答問題，卻拙于創(chuàng)造新知。語言學(xué)家諾姆·喬姆斯基將ChatGPT稱作“高科技剽竊”[23]。話雖尖刻，但按照我們關(guān)于“剽竊”的定義，大語言模型的知識的的確確全部來自于對人類文本的預(yù)訓(xùn)練——這就意味著，即便通過預(yù)測下一個(gè)詞的方式，它能夠做到源源不斷地生成“全新”的文本，但卻是已有文本語料的重新排列組合。換言之，大語言模型無法原創(chuàng)性地創(chuàng)造新知。

大語言模型用規(guī)模提升（scale）的方式讓自身變“大”，從而“涌現(xiàn)”出近乎通用的智能。然而，它在文本生產(chǎn)上的“潛能”（potentiality）卻是可計(jì)算的——盡管那會是天文數(shù)字。而人類的“模擬模式”，不僅使其跨越學(xué)科疆界展開知識實(shí)踐成為可能，并且使其“潛能”無可精確計(jì)算——要知道，人的知識實(shí)踐，在生物化學(xué)層面上呈現(xiàn)為超過一千億個(gè)大腦神經(jīng)元用電信號進(jìn)行復(fù)雜的彼此“觸發(fā)”。盡管兩個(gè)神經(jīng)元之間的“觸發(fā)”與“不觸發(fā)”可以用數(shù)字形態(tài)（0和1）來表達(dá)，但整個(gè)大腦的“生物性計(jì)算”進(jìn)程，卻無法予以數(shù)字化。大腦這個(gè)“濕件”（wetware），實(shí)則是一個(gè)不透明的黑箱。

以保羅·麥克萊恩為代表的神經(jīng)科學(xué)家們，把大腦區(qū)分為主導(dǎo)自主神經(jīng)系統(tǒng)的中腦和腦干、主導(dǎo)情緒的邊緣系統(tǒng)、主導(dǎo)邏輯與分析的皮質(zhì)（尤其前額葉皮質(zhì)）這三層不同的區(qū)塊。[24]然而誠如薩波斯基所言，這又是把“一個(gè)連續(xù)體類別化”（categorizing a continuum）的經(jīng)典操作，這些區(qū)塊只能當(dāng)作“隱喻”，那是因?yàn)?，“解剖意義上這三層之間很大程度重疊”，“行為中的自動(dòng)化面向（簡化來看這屬于第一層的權(quán)限）、情緒（第二層）和思考（第三層）并非分離的”。[25]

由于大腦具有可塑性（譬如，盲人的視覺皮質(zhì)經(jīng)由訓(xùn)練能用于處理其他信號，大幅強(qiáng)化觸覺或聽覺），并且每年都有大量新的神經(jīng)元生長出來——人終其一生，都具有不斷更新其知識實(shí)踐的潛能。政治哲學(xué)家吉奧喬·阿甘本曾提出“潛在論”（potentiology），其核心主旨是，不被實(shí)現(xiàn)的潛能具有本體論的優(yōu)先性。阿氏本人將“潛在論”建立在對亞里士多德學(xué)說的改造之上。[26]在筆者看來，“潛在論”的地基，實(shí)則應(yīng)該是當(dāng)代神經(jīng)科學(xué)與計(jì)算機(jī)科學(xué)：正是因?yàn)槿祟惔竽X采取“模擬模式”，人才會是如阿甘本所描述的“一種純粹潛能的存在”（a being of pure potentiality）。[27]所有被特殊性地實(shí)現(xiàn)的東西（包括人類整個(gè)文明在內(nèi)），都僅僅是這種純粹潛能的“例外”。人，可以原創(chuàng)性地創(chuàng)造——亦即，從其純粹潛能中產(chǎn)生——新事物。

同人類相比照，大語言模型具有潛能，但不具有潛在論意義上的純粹潛能：“數(shù)字模式”使得其潛能變得可計(jì)算，亦即，可窮盡性地全部實(shí)現(xiàn)（僅僅是原則上可實(shí)現(xiàn)，實(shí)際操作將耗費(fèi)巨額算力）；換言之，它沒有純粹的、在本體論層面上能夠始終不被實(shí)現(xiàn)的潛能。ChatGPT能夠跨越學(xué)科疆界生成極富知識含量的文本，但它做不到徹底原創(chuàng)性地生成新知——這件事辛頓所說的“超智人工智能”或可做到，但目前的大語言模型做不到。

有意思的是，在一個(gè)晚近的對談中，OpenAI首席執(zhí)行官山姆·奧特曼這樣界定“通用人工智能”：

如果我們能夠開發(fā)出一個(gè)系統(tǒng)，能自主研發(fā)出人類無法研發(fā)出的科學(xué)知識時(shí)，我就會稱這個(gè)系統(tǒng)為通用人工智能。[28]

按照奧特曼的上述界定，現(xiàn)階段包括GPT-4在內(nèi)的大語言模型盡管已然是堪稱“通用”的大“?！奔?，但卻仍未能抵達(dá)通用人工智能的境界，因?yàn)樗鼈內(nèi)詿o法“自主研發(fā)”新知。與之對照，不同學(xué)科領(lǐng)域的人類“?！奔?，卻可以通過彼此交叉、互相觸動(dòng)的知識實(shí)踐（甚至通過和ChatGPT的對話），既能夠“溫故”，也能夠“知新”，并且能夠“溫故而知新”。

人不僅是“說話的存在”，同時(shí)在本體論層面上是“一種純粹潛能的存在”。正是在純粹潛能的意義上，即便生活在大語言模型時(shí)代，我們亦不能躺平。

量子思維：論知識實(shí)踐的原創(chuàng)性（II）

進(jìn)而，對于思考人類在大語言模型時(shí)代展開跨學(xué)科知識實(shí)踐的必要性問題，我們可以進(jìn)一步引入量子思維。量子思維，顧名思義是量子物理學(xué)的諸種“詭異”（spooky，阿爾伯特·愛因斯坦所使用的形容詞）發(fā)現(xiàn)所引入的思考視角。

量子物理學(xué)家、女性主義者、后人類主義者凱倫·芭拉德2007年推出了一本廣受贊譽(yù)的巨著，題為《半途遇上宇宙》（Meeting the Universe Halfway）。[29]量子物理學(xué)的實(shí)驗(yàn)結(jié)果揭示出，人實(shí)際上總是半途（halfway）地遭遇宇宙，不可能整個(gè)地碰見它。你能知道動(dòng)量，就注定會不知道位置，知道位置就不知道動(dòng)量。動(dòng)量、位置乃至溫度、密度、濕度等，都是人類語言設(shè)定出的概念，而不是宇宙本身的屬性。[30]

時(shí)至今天我們所知道的那個(gè)世界，只是人類半途構(gòu)建出來的“世界”，所有人類知識（甚至包括量子力學(xué)本身在內(nèi)），都屬于“智人”讓自己安身其中的這一半“宇宙”——它可以被妥切地稱作“符號性宇宙”（symbolic universe）。[31]

這也就是為什么諾貝爾物理學(xué)獎(jiǎng)得主尼爾斯·玻爾曾說，“‘量子世界’并不存在”[32]。玻爾可謂量子力學(xué)的核心奠基人，他竟然說“量子世界”并不存在？！他的意思是，“量子世界”僅僅是一個(gè)由量子力學(xué)的各種概念、方程與描述構(gòu)建起來的“世界”，換句話說，屬于人類半途認(rèn)識的那個(gè)“宇宙”。人的認(rèn)識本身，就是在參與“宇宙”的構(gòu)建。[33]

即便你是一個(gè)邁出學(xué)科疆界的終身學(xué)習(xí)者與知識生產(chǎn)者，你也只能半途遇見宇宙，遇見人類（包括你本人）參與構(gòu)建的那半個(gè)“宇宙”。這就意味著，任何整體化的嘗試——嘗試用已有知識已有做法來判斷一切事情、處理一切事情——都注定要失敗。你覺得你學(xué)富五車，讀了很多書，總是忍不住對身邊伴侶說“你不應(yīng)該這樣想”“你怎么就不懂”，其實(shí)就是在把自己的知識整體化。一個(gè)國家看到別的國家跟自己做法不一樣就受不了，想方設(shè)法“卡脖子”逼迫對方就范、想使其變成跟它一樣，這同樣是不恰當(dāng)?shù)恼w化思維。政治學(xué)者弗朗西斯·福山把這種整體化思維美其名曰“歷史的終結(jié)”。[34]歷史終結(jié)論，就是缺乏量子思維的產(chǎn)物。[35]

面對大語言模型，我們確實(shí)要對它的學(xué)習(xí)速度、對其堪稱“通用”的大“?！奔宜叫膼傉\服，而不是頑固秉持“我們更行”的人類中心主義態(tài)度。但我們?nèi)匀豢梢员Ｓ形覀兊闹腔?，仍然可以做一個(gè)名副其實(shí)的“智人”而不僅僅是“吃貨”，如果我們學(xué)會使用量子思維的話。

大語言模型是用人類已生產(chǎn)的古往今來的文本語料預(yù)訓(xùn)練出來的。所有文本，都結(jié)構(gòu)性地內(nèi)嵌人類認(rèn)知。這也就意味著，用文本語料訓(xùn)練的大語言模型再智能、再勤奮學(xué)習(xí)，至多也只能對人類所半途遇見的那一半宇宙了如指掌。它的知識無法整體化，無法思考因自身的出現(xiàn)而可能帶來的“技術(shù)奇點(diǎn)”（technological singularity）。實(shí)際上，它無法思考任何一種“奇點(diǎn)”，因?yàn)椤捌纥c(diǎn)”在定義上（by definition）標(biāo)識了人類一切已有知識“失敗”的那個(gè)位置。如史蒂芬·霍金所言，在奇點(diǎn)上所有科學(xué)規(guī)則和我們預(yù)言未來的能力都將崩潰。[36]

也就是說，如果大語言模型真的造成人類文明的技術(shù)奇點(diǎn)，它自己不會有辦法來應(yīng)對它。所以，人工智能的智能，解決不了它自己帶來的挑戰(zhàn)。[37]當(dāng)問及ChatGPT會帶來怎樣的挑戰(zhàn)時(shí)，它會給出自己“只是提供服務(wù)，不會帶來任何威脅”等諸如此類的回答。

人，能思考技術(shù)奇點(diǎn)——“技術(shù)奇點(diǎn)”這個(gè)概念就是一群學(xué)者提出的。人——就像以往文明史上那些不斷拓展已有知識邊界的人——有能力去思考那半途之外的黑暗宇宙，一步步把“黑洞”（black hole）、“暗物質(zhì)”（dark matter）、“暗能量”（dark energy）這些曾經(jīng)或仍是深淵性的、只能用“黑”“暗”來描述的假說，拉進(jìn)我們認(rèn)知范圍內(nèi)的一半宇宙中——那個(gè)大語言模型可以掌握甚至是高精度掌握、并能模型化重構(gòu)的“符號性宇宙”中。

今天，大語言模型已經(jīng)深度參與世界化成，參與構(gòu)建我們生活在其中的符號性宇宙。然而，我們不能躺平——大語言模型可以跨越學(xué)科疆界生成知識，而人可以跨越學(xué)科疆界生成原創(chuàng)性知識?；艚鸾o我們帶來了一個(gè)特別有分量的案例?；忌蠞u凍癥后，這位物理學(xué)家喪失了絕大多數(shù)具身認(rèn)知的能力。2018年去世的霍金如果多活兩年，2020年諾貝爾物理學(xué)獎(jiǎng)大概率會同時(shí)頒給他，因?yàn)椤捌纥c(diǎn)定理”（singularity theorem）是他和羅杰·彭羅斯共同構(gòu)建的。更令人無比敬重的是，霍金在學(xué)術(shù)生涯中并沒有躺平并止步于“奇點(diǎn)定理”，盡管這是達(dá)到諾貝爾獎(jiǎng)級別并且最后收獲該獎(jiǎng)的研究成果?；艚鸷髞硖岢龅摹盁o邊界宇宙”（no-boundary universe）假說，就是繞過奇點(diǎn)（“大爆炸奇點(diǎn)”）這個(gè)設(shè)定來思考宇宙的智性努力。[38]至于更為世人所熟知的作為公共知識分子的霍金，則是源于他不斷越出學(xué)科疆界的知識實(shí)踐取得令人矚目的成果。

結(jié)語

在同大語言模型知識實(shí)踐的并置中，我們可以定位到學(xué)科交叉融合的必要性。

以ChatGPT為代表的大語言模型，盡管才剛剛進(jìn)入人類的視野中，但已經(jīng)在知識實(shí)踐上展現(xiàn)出卓越能力，成為堪稱“通”家的大“專”家。我們可以用“模擬模式”與“數(shù)字模式”來分別描述人類與大語言模型的知識實(shí)踐。大語言模型問世前的人工神經(jīng)網(wǎng)絡(luò)算法（譬如AlphaGo），數(shù)字模式的知識實(shí)踐僅僅令其在狹窄的垂直領(lǐng)域展露出卓越智能。然而以海量人類文本為訓(xùn)練數(shù)據(jù)的大模型，其知識實(shí)踐則呈現(xiàn)出跨越領(lǐng)域疆界的通用性。

面對大語言模型在知識實(shí)踐中的應(yīng)用，我們不能躺平，不能躲在知識實(shí)踐的舒適區(qū)。潛在論與量子物理學(xué)，給出了我們積極展開跨學(xué)科知識實(shí)踐的理據(jù)。

（本文系國家社會科學(xué)基金重大項(xiàng)目“后現(xiàn)代主義哲學(xué)發(fā)展路徑與新進(jìn)展研究”的階段性研究成果，項(xiàng)目編號：18ZDA017）

注釋

[1]2023年3月29日，1000余位人工智能業(yè)界領(lǐng)袖聯(lián)名呼吁立即暫停訓(xùn)練比GPT-4更強(qiáng)的人工智能。2023年5月30日，包括圖靈獎(jiǎng)得主杰弗里·辛頓、約書亞·本吉奧以及谷歌DeepMind首席執(zhí)行官戴密斯·哈薩比斯、OpenAI首席執(zhí)行官山姆·奧特曼、Anthropic首席執(zhí)行官達(dá)里奧·阿莫代伊在內(nèi)的超過350名人工智能行業(yè)研究人員、工程師和首席執(zhí)行官，聯(lián)合簽署并發(fā)布如下聲明：“降低人工智能帶來的滅絕風(fēng)險(xiǎn)，應(yīng)該同大流行病、核戰(zhàn)爭等其他社會級規(guī)模的風(fēng)險(xiǎn)一起，成為一個(gè)全球優(yōu)先事項(xiàng)?！眳⒁姟禔I可能滅絕人類！22字聲明，ChatGPT之父和AI教父都簽了》，2023年5月30日，https：//www.thepaper.cn/newsDetail_forward_23282744；《馬斯克率一眾科技圈大佬發(fā)聲：應(yīng)暫停訓(xùn)練比GPT-4更強(qiáng)大的AI系統(tǒng)》，2023年3月29日，https：//baijiahao.baidu.com/s？id=1761688767716274674。

[2]參見《首本由ChatGPT寫的實(shí)體書出版，國內(nèi)出版界如何應(yīng)對？》，2023年2月28日，https：//baijiahao.baidu.com/s？id=1759063407725941025。

[3]參見吳冠軍：《再見智人：技術(shù)-政治與后人類境況》，北京大學(xué)出版社，2023年。

[4]S. Bubeck et al.， "Sparks of Artificial General Intelligence： Early experiments with GPT-4，" 22 Mar 2023， https：//arxiv.org/abs/2303.12712.

[5]在這個(gè)論述中，“常見”與“大量出現(xiàn)”很重要，因?yàn)榇笳Z言模型計(jì)算的是概率分布，如果某個(gè)錯(cuò)誤（譬如，“天是橙色”，事實(shí)錯(cuò)誤抑或錯(cuò)別字）很少出現(xiàn)，那么模型的輸出便絕不會出現(xiàn)這種錯(cuò)誤。

[6]關(guān)于大語言模型獨(dú)特的出錯(cuò)方式的進(jìn)一步分析，參見吳冠軍：《大語言模型的信任問題與資本邏輯》，《當(dāng)代世界與社會主義》，2023年第5期；吳冠軍：《大語言模型的技術(shù)政治學(xué)研究——知識生產(chǎn)的后人類境況與意識形態(tài)批判》，《中國社會科學(xué)評價(jià)》，2022年第5期。

[7][12][13]G. Hinton， "Two Paths to Intelligence，" 10 June 2023， https：//mp.weixin.qq.com/s/_wXjuAo7q5Nkn1l_ormcmQ.

[8]參見吳冠軍：《從人類世到元宇宙——當(dāng)代資本主義演化邏輯及其行星效應(yīng)》，《當(dāng)代世界與社會主義》，2022年第5期；吳冠軍：《人類世、資本世與技術(shù)世——一項(xiàng)政治經(jīng)濟(jì)學(xué)-政治生態(tài)學(xué)考察》，《山東社會科學(xué)》，2022年第12期。

[9]除了生物性的“默會知識”（分享困難且極其不精確）外，智人在分享知識時(shí)主要倚靠符號性-話語性的“蒸餾”。

[10]為了降低大語言模型的運(yùn)行能耗，辛頓同其合作者提出使用蒸餾方法，將原始數(shù)據(jù)集上訓(xùn)練的重量級模型作為教師，讓一個(gè)相對更輕量（參數(shù)更少）的模型作為學(xué)生，對于相同的輸入，讓學(xué)生輸出的概率分布盡可能地逼近教師輸出的分布。于是，大模型的知識就可以通過這種監(jiān)督訓(xùn)練的方式“蒸餾”到小模型里。小模型的準(zhǔn)確率下降往往很小，卻能大幅度減少參數(shù)量，從而降低對硬件和能耗的需求。See G. Hinton; O. Vinyals and J. Dean， "Distilling the Knowledge in a Neural Network，" 9 March 2015， https：//arxiv.org/pdf/1503.02531.pdf。

[11]吳冠軍：《有人說過“大他者”嗎？——論精神分析化的政治哲學(xué)》，《同濟(jì)大學(xué)學(xué)報(bào)（社會科學(xué)版）》，2015年第5期。

[14]關(guān)于教學(xué)實(shí)踐的進(jìn)一步討論，參見吳冠軍：《后人類狀況與中國教育實(shí)踐：教育終結(jié)抑或終身教育？——人工智能時(shí)代的教育哲學(xué)思考》，《華東師范大學(xué)學(xué)報(bào)（教育科學(xué)版）》，2019年第1期。

[15]故此，辛頓呼吁年輕一代研究人員要努力“弄清楚如何讓人工智能在不獲得控制的情況下，為我們生活更好而奮斗”。See Hinton， "Two Paths to Intelligence"。

[16]《〈咬文嚼字〉發(fā)布“2021年十大流行語”：雙減、躺平、元宇宙等入選》，2021年12月10日，https：//new.qq.com/rain/a/20211210A08A2800。

[17]I. Sutskever and C. Smith， "Episode #116，" 15 March 2023， https：//www.eye-on.ai/podcast-archive.

[18]一旦能指與所指的對應(yīng)被固化（比如，被理解為“自然的”），那就會出現(xiàn)“形而上學(xué)／元物理學(xué)”（meta-physics）——一門以本質(zhì)主義的方式研究“being”（是什么）的學(xué)問。

[19][20][21][25]R. M. Sapolsky， Behave： The Biology of Humans at Our Best and Worst， New York： Penguin， 2017 （ebook）， p. 14， pp. 29-30.

[22][30]吳冠軍：《從元宇宙到量子現(xiàn)實(shí)：邁向后人類主義政治本體論》，北京：中信出版集團(tuán)，2023年，第371～373頁。

[23]"Noam Chomsky on ChatGPT， Universal Grammar and the Human Mind： Unlocking Language and AI Mysteries，" 29 July 2023， https：//www.youtube.com/watch？v=VdszZJMbBIU.

[24]P. MacLean， The Triune Brain in Evolution， New York： Springer， 1990.

[26]參見吳冠軍：《生命權(quán)力的兩張面孔：透析阿甘本的生命政治論》，《哲學(xué)研究》，2014年第8期；吳冠軍：《阿甘本論神圣與褻瀆》，《國外理論動(dòng)態(tài)》，2014年第3期。

[27]G. Agamben， "The Work of Man，" in M. Calarco and S. DeCaroli， Giorgio Agamben： Sovereignty and Life， Stanford： Stanford University Press， 2007， p. 2.

[28]《Sam Altman預(yù)言2030年前出現(xiàn)AGI，GPT-10智慧將超越全人類總和！》，2023年9月7日，https：//new.qq.com/rain/a/20230907A04O0Q00。

[29]K. Barad， Meeting the Universe Halfway： Quantum Physics and the Entanglement of Matter and Meaning， Durham： Duke University Press， 2007.

[31]吳冠軍：《陷入奇點(diǎn)：人類世政治哲學(xué)研究》，北京：商務(wù)印書館，2021年，第93～115頁。

[32]See A. Shimony， "Metaphysical Problems in the Foundations of Quantum Mechanics，" lnternotionol Philosophical Quanerly， 1978， 18（1）; A. Petersen， "The Philosophy of Niels Bohr，" Bulletin of the Atomic Scientists， 1963， 19（7）.

[33]物理學(xué)家約翰·惠勒（“黑洞”概念的提出者）甚至提出了“參與性宇宙”（participatory universe）命題。詳細(xì)討論參見吳冠軍：《從元宇宙到量子現(xiàn)實(shí)：邁向后人類主義政治本體論》，第373～375頁。

[34]F. Fukuyama， "The End of History？" The National Interest， 1989， Summer.

[35]進(jìn)一步的分析，參見吳冠軍：《量子思維對政治學(xué)與人類學(xué)的激進(jìn)重構(gòu)》，載錢旭紅等：《量子思維》，上海：華東師范大學(xué)出版社，2022年。

[36]S. W. Hawking， A Brief History of Time： From the Big Bang to Black Holes， New York： Bantam， 2009， p. 84.

[37]參見吳冠軍：《通用人工智能：是“賦能”還是“危險(xiǎn)”》，《人民論壇》，2023年第5期。

[38]S. W. Hawking， The Theory of Everything： The Origin and Fate of the Universe， Beverly Hills： Phoenix Books， 2005， p. 113， pp. 98-99.

責(zé) 編∕張 貝